基于序列数据挖掘的中文网页特征选择方法

作者：谷峰; 刘晨曦; 吴扬扬序列数据挖掘pat树净频率频繁字串中文网页分类

摘要：提出了一种基于序列数据挖掘的中文网页候选特征的选择方法，并用于中文网页分类模型．该方法运用改进的PAT树结构挖掘频繁出现在同一类中文网页中的字符串，通过净频率计算，挖掘出中文网页中频繁出现的有意义的词、短语、英文单词等，并结合CHI算法得到文本特征．实验表明。该算法不仅能挖掘出传统方法所选择出的绝大部分特征，还能挖掘出一些有意叉的、切词系统词库中没有的、能反映分类特点的人名，地名，新词、常用语、外文单词等．

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社